[發(fā)明專利]一種冠心病風險指數(shù)的無損檢測系統(tǒng)及方法

在審

• 申請?zhí)枺?/td>: 201910509941.0
• 申請日: 2019-06-13
• 公開（公告）號: CN110251122A
• 公開（公告）日: 2019-09-20
• 發(fā)明（設(shè)計）人: 黃裕立;胡允兆;黎文生;盧劍華;呂偉標
• 申請（專利權(quán)）人: 南方醫(yī)科大學順德醫(yī)院（佛山市順德區(qū)第一人民醫(yī)院）
• 主分類號: A61B5/0402
• 分類號: A61B5/0402;G06K9/62;G16H50/30;G16H50/70
• 代理公司: 重慶市信立達專利代理事務(wù)所(普通合伙) 50230
• 代理人: 包曉靜

1.一種冠心病風險指數(shù)的無損檢測方法，其特征在于，所述冠心病風險指數(shù)的無損檢測方法包括：

第一步，圖像采集利用醫(yī)療影像設(shè)備采集患者冠狀動脈、心臟形態(tài)圖像數(shù)據(jù)；心電數(shù)據(jù)采集利用心電設(shè)備采集患者心電數(shù)據(jù)信息；

第二步，主控模塊利用分類程序?qū)谛牟?shù)據(jù)進行分類操作；利用建模程序構(gòu)建冠心病復發(fā)預測模型；利用評估程序根據(jù)采集的數(shù)據(jù)評估患者冠心病風險狀態(tài)；

所述冠心病復發(fā)預測模型的基本表達形式為：

λ_(t)＝λ_0(t)exp(β₁x₁+β₂x₂+...+β_kx_k)；

其中λ_0(t)為冠心病基準風險函數(shù)，x₁、x₂...x_k為協(xié)變量，β_i為x_i的回歸系數(shù)；

所述冠心病復發(fā)預測模型對累計發(fā)生概率進行估計形式如下：

λ_j(t，Z)＝λ₀(t)exp{β_jZ}；

其中λ_0(t)是時間J的冠心病部分分布基準風險，Z為協(xié)變量，β_j為協(xié)變量的回歸系數(shù)，exp{β_jZ}為部分分布風險；其中β的偏似然估計為：

第三步，通過數(shù)據(jù)存儲模塊利用存儲器存儲采集的冠狀動脈、心臟形態(tài)圖像、心電數(shù)據(jù)；利用顯示器顯示采集的患者冠狀動脈、心臟形態(tài)圖像、心電數(shù)據(jù)信息。

2.如權(quán)利要求1所述的冠心病風險指數(shù)的無損檢測方法，其特征在于，所述冠心病風險指數(shù)的無損檢測方法的冠心病數(shù)據(jù)分類方法如下：

(1)通過數(shù)據(jù)分類程序采用Bootstrap法從N個冠心病數(shù)據(jù)樣本中有放回地隨機抽取N個樣本并從F個特征中隨機選取f個特征組成新的樣本集，f<<F；

(2)核極限學習機模型訓練，采用徑向基核函數(shù)與多項式核函數(shù)加權(quán)得到混合核函數(shù)作為極限學習機的核函數(shù)；

(3)使用冠心病數(shù)據(jù)訓練子集訓練得到混合核極限學習機模型之后，使用測試子集測試每個基分類器的分類性能并排序，剔除分類性能最差的基分類器；再結(jié)合粒子群優(yōu)化算法優(yōu)化核參數(shù)、正則化系數(shù)、混合核權(quán)重得到優(yōu)化的新基分類器代替被刪除的基分類器；

(4)再次使用測試集對新基分類器進行性能測試，遍歷其他基分類器依次與新基分類器的分類性能進行比較，如果與新基分類器的分類性能差別超過規(guī)定閾值，則需要使用粒子群優(yōu)化算法進行優(yōu)化；

(5)經(jīng)過數(shù)據(jù)的抽樣、模型訓練、模型優(yōu)化之后，得到隨機森林分類模型，使用相對多數(shù)投票的組合策略決定冠心病數(shù)據(jù)樣本最后的分類結(jié)果。

3.如權(quán)利要求1所述的冠心病風險指數(shù)的無損檢測方法，其特征在于，所述冠心病風險指數(shù)的無損檢測方法的預測模型的數(shù)據(jù)預測方法如下：

1)通過醫(yī)療數(shù)據(jù)采集設(shè)備采集患者數(shù)據(jù)集，所述患者數(shù)據(jù)集包括術(shù)后復發(fā)患者的屬性數(shù)據(jù)、檢查數(shù)據(jù)和望診數(shù)據(jù)，所述望診數(shù)據(jù)包括細節(jié)數(shù)據(jù)和綜合數(shù)據(jù)；

2)對患者數(shù)據(jù)集進行數(shù)據(jù)處理，將望診數(shù)據(jù)根據(jù)程度有無輕重進行分類量化，將字符型的屬性數(shù)據(jù)進行分類量化，將數(shù)值型的檢查數(shù)據(jù)進行標準化處理；

3)針對患者數(shù)據(jù)集中的數(shù)據(jù)屬性根據(jù)處理后的數(shù)據(jù)采用統(tǒng)計假設(shè)檢驗法判斷是否存在差異；對存在差異的數(shù)據(jù)屬性計算重要程度指標并排序，篩選重要程度高的屬性加入復發(fā)預測模型；

4)設(shè)置神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)，根據(jù)處理后的患者數(shù)據(jù)集作為樣本，采用神經(jīng)網(wǎng)絡(luò)進行樣本訓練，建立復發(fā)預測模型。